{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3388179"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3388179","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"XceptionLSTM: Advanced Sequence-to-Sequence Neural Networks for Short-Term Weather Forecasting Applications","abstract":"Η παγκόσμια τάση των τελευταίων δύο δεκαετιών για ανεξαρτητοποίηση από κάυσιμες πηγές ενέργειας έχει οδηγήσει τη βιομηχανία ενέργειας προς την αξιοποίηση ανανεώσημων πηγών ενέργειας. Η μετάβαση σε πιο πράσινη ενέργεια αποτελεί έμπνευση ιδέων και πρακτικών που αποσκοπούν στον έλεγχο της παραγωγής και διανομής ενέργειας στα πάρκα ενέργειας. Για μεγαλύτερη αποδοτικότητα, αυτοματοποιημένοι ελεγχτές στα έξυπνα δικτύα ισχύοςδύναται να δρουν προληπτικά με σκοπό την πρόβλεψη απερχόμενων συμβάντων και την προετοιμασία της υποκείμενης υποδομής για την αντιμετώπιση αυτών. Στην περίπτωση των φωτοβολταϊκών πάρκων, το έξυπνο σύστημα ελέγχου ενός πάρκου εκτελεί προβλέψεις μικρού ορίζοντα για την ολική ηλιακή ακτινοβολία στο οριζόντιο επίπεδο και την νεφοκάλυψη στην ευρύτερη περιοχή του πάρκου. Η παρούσα εργασία παρουσιάζει ένα νευρωνικό δίκτυο ως λύση για το πρόβλημα της πρόβλεψης καιρού μικρού ορίζοντα. Το προτεινόμενο μοντέλο είναι ένα επαναλαμβανόμενο νευρωνικό δίκτυο για παλινδρόμηση εικόνων σε μορφή κωδικοποιητή-αποκωδικοποιητή χώρου- χρόνου. Η βάση του μοντέλου είναι το επίπεδο Xception, το οποίο αξιοποιεί κατά βάθος και κατά σημείο συνελίξεις για να εξάγει προβλέψεις. Το επίπεδο Xception συνδυάζεται με κύτταρα μακράς βραχυπρόθεσμής μνήμης για τη δημιουργία ενός επαναλαμβανόμενου νευρωνικού δικτύου με βελτιωμένες ικανότητες πρόβλεψης. Το προτεινόμενο μοντέλο έχει βελτιστοποιηθεί για ακροδικτυακή υπολογιστική και έχει αξιολογηθεί στο σύνολο δεδομένων ΑΡΧΩΝ - Αθήνα, Ελλάδα.","abstract_html":"Η παγκόσμια τάση των τελευταίων δύο δεκαετιών για ανεξαρτητοποίηση από κάυσιμες πηγές ενέργειας έχει οδηγήσει τη βιομηχανία ενέργειας προς την αξιοποίηση ανανεώσημων πηγών ενέργειας. Η μετάβαση σε πιο πράσινη ενέργεια αποτελεί έμπνευση ιδέων και πρακτικών που αποσκοπούν στον έλεγχο της παραγωγής και διανομής ενέργειας στα πάρκα ενέργειας. Για μεγαλύτερη αποδοτικότητα, αυτοματοποιημένοι ελεγχτές στα έξυπνα δικτύα ισχύοςδύναται να δρουν προληπτικά με σκοπό την πρόβλεψη απερχόμενων συμβάντων και την προετοιμασία της υποκείμενης υποδομής για την αντιμετώπιση αυτών. Στην περίπτωση των φωτοβολταϊκών πάρκων, το έξυπνο σύστημα ελέγχου ενός πάρκου εκτελεί προβλέψεις μικρού ορίζοντα για την ολική ηλιακή ακτινοβολία στο οριζόντιο επίπεδο και την νεφοκάλυψη στην ευρύτερη περιοχή του πάρκου. Η παρούσα εργασία παρουσιάζει ένα νευρωνικό δίκτυο ως λύση για το πρόβλημα της πρόβλεψης καιρού μικρού ορίζοντα. Το προτεινόμενο μοντέλο είναι ένα επαναλαμβανόμενο νευρωνικό δίκτυο για παλινδρόμηση εικόνων σε μορφή κωδικοποιητή-αποκωδικοποιητή χώρου- χρόνου. Η βάση του μοντέλου είναι το επίπεδο Xception, το οποίο αξιοποιεί κατά βάθος και κατά σημείο συνελίξεις για να εξάγει προβλέψεις. Το επίπεδο Xception συνδυάζεται με κύτταρα μακράς βραχυπρόθεσμής μνήμης για τη δημιουργία ενός επαναλαμβανόμενου νευρωνικού δικτύου με βελτιωμένες ικανότητες πρόβλεψης. Το προτεινόμενο μοντέλο έχει βελτιστοποιηθεί για ακροδικτυακή υπολογιστική και έχει αξιολογηθεί στο σύνολο δεδομένων ΑΡΧΩΝ - Αθήνα, Ελλάδα.","abstract_has_math":false,"creators":["Βενιτουράκης Γεώργιος","Venitourakis Georgios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:27:50Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3388179"],"render_values":[{"text":"uoadl:3388179","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3388179","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3388179","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3388179","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Βενιτουράκης Γεώργιος","Venitourakis Georgios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3388179","https://pergamos.lib.uoa.gr/uoa/dl/object/3388179"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παγκόσμια τάση των τελευταίων δύο δεκαετιών για ανεξαρτητοποίηση από κάυσιμες πηγές ενέργειας έχει οδηγήσει τη βιομηχανία ενέργειας προς την αξιοποίηση ανανεώσημων πηγών ενέργειας. Η μετάβαση σε πιο πράσινη ενέργεια αποτελεί έμπνευση ιδέων και πρακτικών που αποσκοπούν στον έλεγχο της παραγωγής και διανομής ενέργειας στα πάρκα ενέργειας. Για μεγαλύτερη αποδοτικότητα, αυτοματοποιημένοι ελεγχτές στα έξυπνα δικτύα ισχύοςδύναται να δρουν προληπτικά με σκοπό την πρόβλεψη απερχόμενων συμβάντων και την προετοιμασία της υποκείμενης υποδομής για την αντιμετώπιση αυτών. Στην περίπτωση των φωτοβολταϊκών πάρκων, το έξυπνο σύστημα ελέγχου ενός πάρκου εκτελεί προβλέψεις μικρού ορίζοντα για την ολική ηλιακή ακτινοβολία στο οριζόντιο επίπεδο και την νεφοκάλυψη στην ευρύτερη περιοχή του πάρκου. Η παρούσα εργασία παρουσιάζει ένα νευρωνικό δίκτυο ως λύση για το πρόβλημα της πρόβλεψης καιρού μικρού ορίζοντα. Το προτεινόμενο μοντέλο είναι ένα επαναλαμβανόμενο νευρωνικό δίκτυο για παλινδρόμηση εικόνων σε μορφή κωδικοποιητή-αποκωδικοποιητή χώρου- χρόνου. Η βάση του μοντέλου είναι το επίπεδο Xception, το οποίο αξιοποιεί κατά βάθος και κατά σημείο συνελίξεις για να εξάγει προβλέψεις. Το επίπεδο Xception συνδυάζεται με κύτταρα μακράς βραχυπρόθεσμής μνήμης για τη δημιουργία ενός επαναλαμβανόμενου νευρωνικού δικτύου με βελτιωμένες ικανότητες πρόβλεψης. Το προτεινόμενο μοντέλο έχει βελτιστοποιηθεί για ακροδικτυακή υπολογιστική και έχει αξιολογηθεί στο σύνολο δεδομένων ΑΡΧΩΝ - Αθήνα, Ελλάδα.","Renewable Energy has been the main global focus of the last two decades, as the energy industry searches for ways to steadily replace fossil fuels with greener energy sources. This transition paved the way to new concepts and techniques for controlling the power production and distribution in renewable energy parks. For improved efficiency, the controller in the Smart Grid concept often acts proactively, where it predicts events in the near future and prepares the underlying infrastructure for the upcoming event. In the case of photovoltaic parks, a smart system makes short-term weather forecasts about the global horizontal irradiance and the cloud cover in the park’s area of interest. This thesis introduces a neural network as a solution to the short-term weather forecasting problem. The proposed model is an image regression recurrent neural network in the form of a spatio- temporal encoder/decoder. The basis of the structure is the Xception layer, which utilizes depwthwise and pointwise convolutions to infer data. The Xception layer is combined with long short-term memory cells to create a recurrent neural network with improved forecasting capabilities. The proposed model is optimized for inference on the edge and is evaluated on the Archon - Athens, Greece dataset."]},{"key":"dc:title","label":"Title","values":["XceptionLSTM: Advanced Sequence-to-Sequence Neural Networks for Short-Term Weather Forecasting Applications"]}]}],"canonical_facts":{"dc:creator":["Βενιτουράκης Γεώργιος","Venitourakis Georgios"],"dc:date":["2024"],"dc:description":["Η παγκόσμια τάση των τελευταίων δύο δεκαετιών για ανεξαρτητοποίηση από κάυσιμες πηγές ενέργειας έχει οδηγήσει τη βιομηχανία ενέργειας προς την αξιοποίηση ανανεώσημων πηγών ενέργειας. Η μετάβαση σε πιο πράσινη ενέργεια αποτελεί έμπνευση ιδέων και πρακτικών που αποσκοπούν στον έλεγχο της παραγωγής και διανομής ενέργειας στα πάρκα ενέργειας. Για μεγαλύτερη αποδοτικότητα, αυτοματοποιημένοι ελεγχτές στα έξυπνα δικτύα ισχύοςδύναται να δρουν προληπτικά με σκοπό την πρόβλεψη απερχόμενων συμβάντων και την προετοιμασία της υποκείμενης υποδομής για την αντιμετώπιση αυτών. Στην περίπτωση των φωτοβολταϊκών πάρκων, το έξυπνο σύστημα ελέγχου ενός πάρκου εκτελεί προβλέψεις μικρού ορίζοντα για την ολική ηλιακή ακτινοβολία στο οριζόντιο επίπεδο και την νεφοκάλυψη στην ευρύτερη περιοχή του πάρκου. Η παρούσα εργασία παρουσιάζει ένα νευρωνικό δίκτυο ως λύση για το πρόβλημα της πρόβλεψης καιρού μικρού ορίζοντα. Το προτεινόμενο μοντέλο είναι ένα επαναλαμβανόμενο νευρωνικό δίκτυο για παλινδρόμηση εικόνων σε μορφή κωδικοποιητή-αποκωδικοποιητή χώρου- χρόνου. Η βάση του μοντέλου είναι το επίπεδο Xception, το οποίο αξιοποιεί κατά βάθος και κατά σημείο συνελίξεις για να εξάγει προβλέψεις. Το επίπεδο Xception συνδυάζεται με κύτταρα μακράς βραχυπρόθεσμής μνήμης για τη δημιουργία ενός επαναλαμβανόμενου νευρωνικού δικτύου με βελτιωμένες ικανότητες πρόβλεψης. Το προτεινόμενο μοντέλο έχει βελτιστοποιηθεί για ακροδικτυακή υπολογιστική και έχει αξιολογηθεί στο σύνολο δεδομένων ΑΡΧΩΝ - Αθήνα, Ελλάδα.","Renewable Energy has been the main global focus of the last two decades, as the energy industry searches for ways to steadily replace fossil fuels with greener energy sources. This transition paved the way to new concepts and techniques for controlling the power production and distribution in renewable energy parks. For improved efficiency, the controller in the Smart Grid concept often acts proactively, where it predicts events in the near future and prepares the underlying infrastructure for the upcoming event. In the case of photovoltaic parks, a smart system makes short-term weather forecasts about the global horizontal irradiance and the cloud cover in the park’s area of interest. This thesis introduces a neural network as a solution to the short-term weather forecasting problem. The proposed model is an image regression recurrent neural network in the form of a spatio- temporal encoder/decoder. The basis of the structure is the Xception layer, which utilizes depwthwise and pointwise convolutions to infer data. The Xception layer is combined with long short-term memory cells to create a recurrent neural network with improved forecasting capabilities. The proposed model is optimized for inference on the edge and is evaluated on the Archon - Athens, Greece dataset."],"dc:identifier":["uoadl:3388179","https://pergamos.lib.uoa.gr/uoa/dl/object/3388179"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["XceptionLSTM: Advanced Sequence-to-Sequence Neural Networks for Short-Term Weather Forecasting Applications"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:27:50Z"}